Autorët:  (1) Guillaume Staerman, INRIA, CEA, Univ. Paris-Saclay, Francë;  (2) Marta Campi, CERIAH, Institut de l'Audition, Institut Pasteur, Francë;  (3) Gareth W. Peters, Departamenti i Statistikave dhe Probabiliteti i Aplikuar, Universiteti i Kalifornisë Santa Barbara, SHBA.  Tabela e lidhjeve   Abstrakt dhe 1. Hyrje   2. Sfondi & Paraprak   2.1. Pyll Funksional Izolues   2.2. Metoda e Nënshkrimit   3. Metoda e pyllit të izolimit të nënshkrimit   4. Eksperimente numerike   4.1. Analiza e ndjeshmërisë së parametrave   4.2. Avantazhet e (K-)SIF mbi FIF   4.3. Standardi i zbulimit të anomalive të të dhënave reale   5. Diskutim & Përfundim, Deklarata të Ndikimit dhe Referenca  Shtojca   A. Informacion shtesë rreth nënshkrimit   B. Algoritmet K-SIF dhe SIF   C. Eksperimente numerike shtesë  4.3. Standardi i zbulimit të anomalive të të dhënave reale  Për të vlerësuar efektivitetin e algoritmeve të propozuara (K-)SIF dhe për të ofruar një krahasim me FIF, ne kryejmë një analizë krahasuese duke përdorur dhjetë grupe të dhënash për zbulimin e anomalive të ndërtuara në Staerman et al. (2019) dhe me burim nga depoja e UCR (Chen et al., 2015). Në ndryshim nga Staerman et al. (2019), ne nuk përdorim një pjesë trajnimi/testimi pasi etiketat nuk përdoren për trajnimin dhe modelet e trajnojnë dhe vlerësojnë vetëm në të dhënat e trajnimit. Ne vlerësojmë performancën e algoritmeve duke përcaktuar sasinë e AUC nën kurbat ROC.   Nga njëra anë, Figura 4 ilustron pabarazinë e performancës midis FIF dhe K-SIF duke përdorur fjalorin Brownian. Veçanërisht, K-SIF shfaq një avantazh të rëndësishëm të performancës ndaj FIF. Ky vëzhgim nënvizon efektivitetin e kernelit të nënshkrimit në përmirësimin e performancës së FIF në shumicën e grupeve të të dhënave, duke theksuar avantazhet e përdorimit të tij ndaj një produkti të thjeshtë të brendshëm. Nga ana tjetër, duke marrë parasysh ndërlikimin e të dhënave funksionale, asnjë metodë unike nuk pritet të jetë më e mirë se të tjerët në mënyrë universale.  Megjithatë, SIF demonstron performancë të fortë në shumicën e rasteve, duke arritur rezultatet më të mira për pesë grupe të dhënash. Ndryshe nga FIF dhe K-SIF, ai tregon qëndrueshmëri ndaj shumëllojshmërisë së grupeve të të dhënave, ndërsa nuk ndikohet në mënyrë drastike nga zgjedhja e parametrave të përfshirë në FIF (fjalor dhe produkt i brendshëm) dhe K-SIF (fjalor).  Ky dokument është   nën licencën CC BY 4.0 DEED. i disponueshëm në arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Computational.TECH

Computational catalyzes innovation, fueling sustainable breakthroughs for a brighter future.

Si (K-)SIF tejkalon FIF në zbulimin e anomalive të të dhënave reale

About Author

KOMENTE

VARUR TAGS

KY ARTIKU U PARAQIT NË

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps